CN110570693A - 一种基于可靠性的航班运行时间预测方法 - Google Patents
一种基于可靠性的航班运行时间预测方法 Download PDFInfo
- Publication number
- CN110570693A CN110570693A CN201911014963.6A CN201911014963A CN110570693A CN 110570693 A CN110570693 A CN 110570693A CN 201911014963 A CN201911014963 A CN 201911014963A CN 110570693 A CN110570693 A CN 110570693A
- Authority
- CN
- China
- Prior art keywords
- flight
- time
- departure
- airport
- historical
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000010006 flight Effects 0.000 claims description 38
- 238000012545 processing Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 239000000428 dust Substances 0.000 claims description 4
- 230000008014 freezing Effects 0.000 claims description 3
- 238000007710 freezing Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- JTJMJGYZQZDUJJ-UHFFFAOYSA-N phencyclidine Chemical class C1CCCCN1C1(C=2C=CC=CC=2)CCCCC1 JTJMJGYZQZDUJJ-UHFFFAOYSA-N 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000000903 blocking effect Effects 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
- G08G5/0073—Surveillance aids
- G08G5/0091—Surveillance aids for monitoring atmospheric conditions
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Aviation & Aerospace Engineering (AREA)
- Atmospheric Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Remote Sensing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了航班运行时间预测技术领域的一种基于可靠性的航班运行时间预测方法,旨在解决现有技术中难以准确预测不同可靠性下的航班运行时间的技术问题。所述方法包括如下步骤:建立气象报文和航班运行基础数据库;基于气象报文和航班运行基础数据库,从一天时间内提取不少于两个时段分别作为延误时间窗;基于气象报文和航班运行基础数据库,建立每个延误时间窗的分位数回归模型;根据航班计划离港时间和分位数回归模型,预测不同可靠性下的航班运行时间。
Description
技术领域
本发明涉及一种基于可靠性的航班运行时间预测方法,属于航班运行时间预测技术领域。
背景技术
航班运行是空中交通运输***的重要组成部分,由多个复杂环节组成。航班运行时间是旅客对航班运行***进行评价最直观的指标,主要由离港机场滑出时间、飞行时间、进港机场滑入时间三部分组成,其中,离港机场滑出时间和进港机场滑入时间为航班地面滑行阶段,飞行时间为航班航路飞行阶段。航班地面滑行阶段主要受温度、露点温度、云底高、风向、风速等机场气象特征和雷暴、大雾、雨雪等机场特殊天气影响,航班航路飞行阶段主要受雷暴、热带气旋、强飑线、冰雹、明显地形波、大面积沙暴、大面积尘暴、冻雨等航路重要天气影响。恶劣的气象条件会增加航班运行的不确定性,进而增加了航班运行时间的预测难度。
航班运行时间可靠性,是航班在规定时间内完成航班运行的概率,基于这个概念,可以预测不同概率条件(分位数)下的航班运行时间。通过掌握不同概率(准时完成航班的概率)条件下的航班运行时间,能够为准确预测航班运行时间提供参考依据。
综上所述,预测不同可靠性条件下的航班运行时间,对于旅客安排出行计划、空中交通管制部门指挥航班运行、机场单位做好航班起飞落地准备、航空公司制定燃油计划和航班时刻表等具有十分重要的实际意义。目前,时间可靠性的概念在空中交通领域的研究还处在起步阶段,迫切需要一种能够准确预测不同可靠性下的航班运行时间的方法。
发明内容
针对现有技术的不足,本发明的目的在于提供一种基于可靠性的航班运行时间预测方法,以解决现有技术中难以准确预测不同可靠性下的航班运行时间的技术问题。
为解决上述技术问题,本发明所采用的技术方案是:
一种基于可靠性的航班运行时间预测方法,其特征是,包括如下步骤:
建立气象报文和航班运行基础数据库;
基于气象报文和航班运行基础数据库,从一天时间内提取不少于两个时段分别作为延误时间窗;
基于气象报文和航班运行基础数据库,建立每个延误时间窗的分位数回归模型;
根据航班计划离港时间和分位数回归模型,预测不同可靠性下的航班运行时间。
进一步地,建立气象报文和航班运行基础数据库,包括:
收集历史航班运行数据、航班起降机场气象数据、航班航路气象数据;
基于所收集的历史航班运行数据,求取历史航班的离港延误时间、航班离港滑行时间、航班飞行时间、航班进港滑行时间、进港延误时间;
基于所求取的历史航班的离港延误时间、航班离港滑行时间、航班飞行时间、航班进港滑行时间、进港延误时间,以及所收集的航班起降机场气象数据和航班航路气象数据,构建气象报文和航班运行基础数据库。
进一步地,在构建气象报文和航班运行基础数据库之前,还包括:剔除历史航班运行数据中不正常或/和不符合逻辑的航班数据;
不正常的航班数据,包括:航班计划与实际运行的起飞或/和降落机场不一致的历史航班运行数据;
不符合逻辑的航班数据,包括:航班实际离港时间迟于航班实际进港时间的航班数据、离港机场航班离港时间与航班起飞离地时间顺序颠倒、进港机场航班进港时间与航班降落接地时间顺序颠倒中的至少任一项的历史航班运行数据。
进一步地,所述历史航班运行数据包括航班起降机场、航班计划离港和进港时间、航班实际离港和进港时间、航班飞行轨迹及其对应时间;
所述航班起降机场气象数据包括机场气象特征和机场特殊天气,所述机场气象特征包括温度、露点温度、云底高、风向、风速中的至少任一项,所述机场特殊天气包括雷暴、大雾、雨雪中的至少任一项;
所述航班航路气象数据包括航路重要天气及其影响范围,所述航路重要天气包括雷暴、热带气旋、强飑线、冰雹、明显地形波、沙暴、尘暴、冻雨中的至少任一项。
进一步地,所述历史航班的离港延误时间、航班离港滑行时间、航班飞行时间、航班进港滑行时间、进港延误时间的求取方法,包括:
从所述航班飞行轨迹及其对应时间中提取历史航班的航班起飞离地时间和航班降落接地时间;
对历史航班的实际离港时间与计划离港时间求差,获取历史航班的离港延误时间;
对历史航班的航班起飞离地时间与实际离港时间求差,获取历史航班的航班离港滑行时间;
对历史航班的航班降落接地时间与航班起飞离地时间求差,获取历史航班的航班飞行时间;
对历史航班的实际进港时间与航班降落接地时间求差,获取历史航班的航班进港滑行时间;
对历史航班的实际进港时间与计划进港时间求差,获取历史航班的进港延误时间。
进一步地,基于气象报文和航班运行基础数据库,从一天时间内提取不少于两个时段分别作为延误时间窗,包括:
从气象报文和航班运行基础数据库中提取历史航班的离港延误时间和进港延误时间;
从一天时间内提取不少于两个时间片;
基于所提取的历史航班的离港延误时间和进港延误时间,求取每个时间片内历史航班的平均离港延误时间和平均进港延误时间;
基于每个时间片内历史航班的平均离港延误时间和平均进港延误时间,采用DBSCAN聚类算法获取延误时间窗。
进一步地,基于气象报文和航班运行基础数据库,建立每个延误时间窗的分位数回归模型,包括:
从气象报文和航班运行基础数据库中提取航班起降机场气象数据和航班航路气象数据;
基于所提取的航班起降机场气象数据和航班航路气象数据,建立每个延误时间窗的分位数回归模型。
进一步地,基于所提取的航班起降机场气象数据和航班航路气象数据,建立每个延误时间窗的分位数回归模型,包括:
对所提取的航班起降机场气象数据中的机场气象特征与航班离港滑行时间和航班进港滑行时间进行相关性分析,获取机场气象特征的相关系数;
剔除相关系数的绝对值大于预设阈值的机场气象特征;
对未剔除机场气象特征进行归一化处理;
基于所提取的航班起降机场气象数据中的机场特殊天气和归一化处理后的机场气象特征,建立每个延误时间窗的离港机场滑出时间分位数回归模型和进港机场滑入时间分位数回归模型;
基于所提取的航班航路气象数据中的航路重要天气及其影响范围,建立每个延误时间窗的飞行时间分位数回归模型。
进一步地,根据航班计划离港时间和分位数回归模型,预测不同可靠性下的航班运行时间,包括:
提取航班计划离港时间所处的延误时间窗,作为目标延误时间窗;
对目标延误时间窗的离港机场滑出时间分位数回归模型进行运算,求取不同可靠性下的航班离港滑行时间;
对目标延误时间窗的飞行时间分位数回归模型进行运算,求取不同可靠性下的航班飞行时间;
对目标延误时间窗的进港机场滑入时间分位数回归模型进行运算,求取不同可靠性下的航班进港滑行时间。
进一步地,根据航班计划离港时间和分位数回归模型,预测不同可靠性下的航班运行时间,还包括:对所求取的不同可靠性下的航班离港滑行时间、航班飞行时间、航班进港滑行时间进行求和运算,获取不同可靠性下的航班运行时间。
与现有技术相比,本发明所达到的有益效果:本发明综合考虑影响航班进港延误和离港延误的各种因素,以航班运行历史数据、机场天气、航路天气、航班飞行计划、航班航路运行过程等因素为基础,提出了一种基于可靠性的航班运行时间预测方法。本发明方法鉴于航班延误程度由于受航班波影响而具有显著时间特征的特点,先将一天时间划分为若干时间片,再根据每个时间片内航班的延误程度聚类生成延误时间窗,对应建立每个延误时间窗的分位数回归模型;通过提取航班计划离港时间所处的延误时间窗,对相应延误时间窗的分位数回归模型进行运算,预测不同可靠性下的航班运行时间,从而解决了目前难以准确预测不同可靠性下的航班运行时间的技术问题。采用本发明方法,可以在航班执行前为空中交通管制部门指定管制指挥计划、机场单位进行航班降落准备、航空公司预计航班起降时间提供可靠的参考依据,为旅客制定出行计划和相关组织单位提供接机服务提供参考信息。
附图说明
图1是本发明实施例的流程示意图;
图2是本发明实施例中航路三维网格示意图;
图3是本发明实施例中航班运行过程示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
本发明具体实施方式提供了一种基于可靠性的航班运行时间预测方法,如图1和图3所示,分别是本发明实施例的流程示意图和航班运行过程示意图,所述方法包括如下步骤:
步骤S1,建立气象报文和航班运行基础数据库
步骤S101,收集航班起降机场气象数据、航班航路气象数据和历史航班运行数据;
步骤S102,对所收集数据进行清洗、处理,构建气象报文和航班运行基础数据库;
步骤S2,基于基础数据库设置延误时间窗
步骤S201,将一天时间划分为若干时间片;
步骤S202,基于时间片和历史航班运行数据,采用聚类算法设置延误时间窗;
步骤S3,航班运行的气象特征选择
步骤S301,对航班起降机场气象数据与离进港滑行时间进行相关性分析;
步骤S302,归一化处理航班起降机场气象数据中的机场气象特征;
步骤S4,构建基于分位数回归模型的航班运行时间预测模型
步骤S401,根据经气象特征选择的航班起降机场气象数据,分别建立每个延误时间窗的离港机场滑出时间分位数回归模型和进港机场滑入时间分位数回归模型;
步骤S402,根据航班航路气象数据,建立每个延误时间窗的飞行时间分位数回归模型;
步骤S5,基于延误时间窗的不同可靠性下的航班运行时间预测
步骤S501,根据航班计划离港时间和各个分位数回归模型,预测不同可靠性下的航班运行时间。
步骤S101中,所收集的航班起降机场气象数据,包括航班起降机场气象特征和航班起降机场特殊天气,航班起降机场气象特征主要包括温度(单位:℃)、露点温度(单位:℃)、云底高(单位:m)、风向(单位:°)、风速(单位:km/h)等,航班起降机场特殊天气主要包括雷暴、大雾、雨雪等。所收集的航班航路气象数据由航路重要天气及其影响范围坐标组成,航路重要天气主要包括雷暴、热带气旋、强飑线、冰雹、明显地形波、大面积沙暴、大面积尘暴和冻雨。所收集的历史航班运行数据由航班起降机场、航班计划离港和进港时间、航班实际离港和进港时间、航班飞行轨迹及其对应时间等组成。
步骤S102中,对所收集数据进行清洗,是指剔除历史航班运行数据中不完整、不正常和不符合逻辑的数据,即无效的历史航班运行数据。其中,不完整数据,如:①离港机场航班撤轮档时间和进港机场航班挡轮档时间缺失,因而无法准确获知航班实际离港和进港时间;②航班起飞离地时间和航班降落接地时间缺失,因而无法准确获知航班飞行时间。不符合逻辑数据,如:①离港机场航班撤轮档时间迟于进港机场航班挡轮档时间,两者顺序颠倒,即TAOBT>TAIBT,式中,TAOBT为离港机场航班撤轮档时间,TAIBT为进港机场航班挡轮档时间;②离港机场航班撤轮档时间迟于航班起飞离地时间,两者顺序颠倒;③进港机场航班挡轮档时间早于航班降落接地时间,两者顺序颠倒。不正常数据,如:航班计划、领航计划、实际运行三者中,离港机场或/和进港机场不一致。
对所收集数据进行处理,是基于前述清洗后的数据。处理方法包括:从所述航班飞行轨迹及其对应时间中提取历史航班的航班起飞离地时间和航班降落接地时间;对历史航班的实际离港时间与计划离港时间求差,获取历史航班的离港延误时间;对历史航班的航班起飞离地时间与实际离港时间求差,获取历史航班的航班离港滑行时间;对历史航班的航班降落接地时间与航班起飞离地时间求差,获取历史航班的航班飞行时间;对历史航班的实际进港时间与航班降落接地时间求差,获取历史航班的航班进港滑行时间;对历史航班的实际进港时间与计划进港时间求差,获取历史航班的进港延误时间。然后,基于历史航班的离港延误时间、航班离港滑行时间、航班飞行时间、航班进港滑行时间、进港延误时间,以及所收集的航班起降机场气象数据和航班航路气象数据,便能够构建相对完善的气象报文和航班运行基础数据库。
步骤S201中,所述时间片的划分,本实施例中,以15分钟为一个时间片,将一天24小时划分为96个时间片。在这96个时间片内,计算每个时间片内离港机场航班的平均离港延误时间Tdep_delay、进港机场航班的平均进港延误时间Tarr_delay,并设置与该时间片相对应的数据点pi(Tdep_delay,Tarr_delay),96个时间片共对应有96个数据点,即p1,p2,...,p96,因而数据点集P共拥有96个数据点,即P(p1,p2,……,pn),n=96。
步骤S202中,基于时间片和基础数据库,可以采用DBSCAN(Density-basedspatial clustering of applications with noise)聚类算法设置延误时间窗。DBSCAN聚类算法可以在给定的一组数据点内准确反映数据密度结构;
首先,输入DBSCAN聚类算法Eps和MinPts两个参数,其中Eps是聚类中心点与其周围数据点的距离,MinPts是聚类中心点周围最少的数据点。确定DBSCAN聚类算法最优参数的方法是:
计算每个数据点与其第k个临近点之间的距离Dk,对所有的数据点根据Dk的大小由大到小进行排序,绘制排序图,排序图中出现明显变化的拐点时,其所对应的Dk值,便是参数Eps的取值;
接下来,统计在Eps内各个簇内点的数量的数学期望,求解MinPts,其表达式如下:
式中,Ai为在距离第i个聚类中心点Eps范围内数据点的数量;
DBSCAN聚类算法的处理过程如下:从数据点集P(p1,p2,……,pn)中的某一个点pi开始,若点pi的Eps邻域内包含多于MinPts个点,那么点pi是中心点,创建以pi为核心的簇,将其Eps邻域内的点加入该簇。迭代此过程,直到所有在Eps距离内的点都加入簇;然后选定未被加入到任意簇的点,重复此过程,直至不再有新的点加入任何簇,聚类算法结束。不属于簇内的数据点是噪声点,得到的聚类数目m为延误时间窗的数目,延误时间窗分别为W1,W2,……,Wm,延误时间窗的时间即为时间片的串联。每个延误时间窗内,航班离港延误时间的区间为[Ti dep_delay,min,Ti dep_delay,max],航班进港延误时间的区间为[Ti arr_delay,min,Ti arr_delay,max],式中,Ti dep_delay,min为第i个延误时间窗口的最小离港延误时间,Ti dep_delay,max为第i个延误时间窗口的最大离港延误时间,Ti arr_delay,min为第i个延误时间窗口的最小进港延误时间,Ti arr_delay,max为第i个延误时间窗口的最大进港延误时间,i∈m。
步骤S301中,首先,从基础数据库中提取起降机场气象特征数据,采用相关系数分析法,分别对起降机场气象特征数据中的机场气象特征与航班离港滑行时间和航班进港滑行时间进行相关性分析,计算各类机场气象特征的相关系数rbq,表达式如下:
式中,xhb为第b个机场气象特征的第h个样本值,xhq为第q个机场气象特征的第h个样本值,是b个机场气象特征的样本均值,为第q个机场气象特征的样本均值,H是样本的总数;
然后,确定阈值为0.5,相关系数的绝对值大于该阈值的需要剔除。去掉高度相关的机场气象特征,其目的有两点:一是让模型的可解释性更好,二是提高分位数回归建模的速度。如果回归模型中有很多高度相关的特征,即使损失函数本身收敛了,实际参数仍然收敛,这会导致训练速度降低。另外,特征越多,后期建立模型需要的训练时间越长。
步骤S302中,对步骤S301中未剔除的机场气象特征进行归一化处理,具体如下:
式中,为机场气象特征b归一化后的值,xhb为机场气象特征b的第h个样本值,为机场气象特征b中样本数据的最小值,为机场气象特征中样本数据的最大值。
步骤S401中,计算每个延误时间窗的离港机场滑出时间分位数回归模型和进港机场滑入时间的分位数回归模型。离港机场滑出时间和进港机场滑入时间,均可认为是随机变量Y。该随机变量Y受到X1,X2,...,Xk,Xk+1,Xk+2,...Xk+j的影响,其中,X1,X2,...,Xk是连续数值变量,即机场气象特征;Xk+1,Xk+2,...Xk+j是哑变量,即机场特殊天气,相应的机场特殊天气如果有,则取1,否则取0。随机变量Y的分布函数如下:
F(y)=P(Y≤y),
式中,F(y)为随机变量Y的分布函数,y为任意实数,设定τ为分位点,则Y的第τ个分位数为满足F(y)≥τ的最小τ值,即:Q(τ)=inf{y:F(y)≥τ},0<τ<1,Q(τ)为相应变量。此处,可靠性的定义是在相应时间内完成离港机场滑出或进港机场滑入的概率。基于该定义,τ为可靠性,即概率。随机变量Y的线性分位数模型,如下所示:
其中,X=[X1,X2,...,Xk,Xk+1,Xk+2,...Xk+j]T,
β(τ)=[β0(τ),β1(τ),β2(τ),...βk(τ),βk+1(τ),βk+2(τ),…,βk+j(τ)],
式中,Qy(τ|x)是随机变量Y的线性分位数模型的响应变量,X为解释向量,β(τ)为回归系数向量。对回归系数向量β(τ)的求解,是求解关于y与其拟合值之间的加权残差最小,相当于一个线性规划的问题,可计算出β(τ)。计算得出β(τ),即获取了随机变量Y的分位数回归模型系数,进而获得了每个延误时间窗的离港机场滑出时间分位数回归模型和进港机场滑入时间分位数回归模型。
步骤S402中,取航班飞行高度层的上下各600米(飞行高度层有300米),左右各10千米(航路宽度为20千米),进行航路三维网格划分,划分网格S个。如图2所示,是本发明实施例中航路三维网格示意图。每个延误时间窗的飞行时间分位数回归模型,其表达式如下:
Qr y(τ|x)=βr 0(τ)+βr 1(τ)Xr 1+βr 2(τ)Xr 2+βr 3(τ)Xr 3+...+βr v(τ)Xr v=XrTβr(τ),
其中,
式中,Qr y(τ|x)为航班飞行时间的线性分位数模型的响应变量,Xr为航路重要天气所占有网格数自变量的向量,Xr 1,Xr 2,Xr 3...Xr v分别为相应的航路重要天气所占有的网格数量,网格内如有航路重要天气,则其对应的网格数加1;βr(τ)为系数矩阵,βr 0,βr 1,βr 2,βr 3,...,βr v为航路重要天气的系数。
步骤S501中,提取航班计划离港时间所处的延误时间窗,作为目标延误时间窗;对目标延误时间窗的离港机场滑出时间分位数回归模型进行运算,求取不同可靠性下的航班离港滑行时间;对目标延误时间窗的飞行时间分位数回归模型进行运算,求取不同可靠性下的航班飞行时间;对目标延误时间窗的进港机场滑入时间分位数回归模型进行运算,求取不同可靠性下的航班进港滑行时间;对所求取的不同可靠性下的航班离港滑行时间、航班飞行时间、航班进港滑行时间进行求和运算,获取不同可靠性下的航班运行时间。
本发明综合考虑影响航班进港延误和离港延误的各种因素,以航班运行历史数据、机场天气、航路天气、航班飞行计划、航班航路运行过程等因素为基础,提出了一种基于可靠性的航班运行时间预测方法。本发明方法鉴于航班延误程度由于受航班波影响而具有显著时间特征的特点,先将一天时间划分为若干时间片,再根据每个时间片内航班的延误程度聚类生成延误时间窗,对应建立每个延误时间窗的分位数回归模型;通过提取航班计划离港时间所处的延误时间窗,对相应延误时间窗的分位数回归模型进行运算,预测不同可靠性下的航班运行时间,从而解决了目前难以准确预测不同可靠性下的航班运行时间的技术问题。采用本发明方法,可以在航班执行前为空中交通管制部门指定管制指挥计划、机场单位进行航班降落准备、航空公司预计航班起降时间提供可靠的参考依据,为旅客制定出行计划和相关组织单位提供接机服务提供参考信息。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种基于可靠性的航班运行时间预测方法,其特征是,包括如下步骤:
建立气象报文和航班运行基础数据库;
基于气象报文和航班运行基础数据库,从一天时间内提取不少于两个时段分别作为延误时间窗;
基于气象报文和航班运行基础数据库,建立每个延误时间窗的分位数回归模型;
根据航班计划离港时间和分位数回归模型,预测不同可靠性下的航班运行时间。
2.根据权利要求1所述的基于可靠性的航班运行时间预测方法,其特征是,建立气象报文和航班运行基础数据库,包括:
收集历史航班运行数据、航班起降机场气象数据、航班航路气象数据;
基于所收集的历史航班运行数据,求取历史航班的离港延误时间、航班离港滑行时间、航班飞行时间、航班进港滑行时间、进港延误时间;
基于所求取的历史航班的离港延误时间、航班离港滑行时间、航班飞行时间、航班进港滑行时间、进港延误时间,以及所收集的航班起降机场气象数据和航班航路气象数据,构建气象报文和航班运行基础数据库。
3.根据权利要求2所述的基于可靠性的航班运行时间预测方法,其特征是,在构建气象报文和航班运行基础数据库之前,还包括:剔除历史航班运行数据中不正常或/和不符合逻辑的航班数据;
不正常的航班数据,包括:航班计划与实际运行的起飞或/和降落机场不一致的历史航班运行数据;
不符合逻辑的航班数据,包括:航班实际离港时间迟于航班实际进港时间的航班数据、离港机场航班离港时间与航班起飞离地时间顺序颠倒、进港机场航班进港时间与航班降落接地时间顺序颠倒中的至少任一项的历史航班运行数据。
4.根据权利要求2所述的基于可靠性的航班运行时间预测方法,其特征是,所述历史航班运行数据包括航班起降机场、航班计划离港和进港时间、航班实际离港和进港时间、航班飞行轨迹及其对应时间;
所述航班起降机场气象数据包括机场气象特征和机场特殊天气,所述机场气象特征包括温度、露点温度、云底高、风向、风速中的至少任一项,所述机场特殊天气包括雷暴、大雾、雨雪中的至少任一项;
所述航班航路气象数据包括航路重要天气及其影响范围,所述航路重要天气包括雷暴、热带气旋、强飑线、冰雹、明显地形波、沙暴、尘暴、冻雨中的至少任一项。
5.根据权利要求4所述的基于可靠性的航班运行时间预测方法,其特征是,所述历史航班的离港延误时间、航班离港滑行时间、航班飞行时间、航班进港滑行时间、进港延误时间的求取方法,包括:
从所述航班飞行轨迹及其对应时间中提取历史航班的航班起飞离地时间和航班降落接地时间;
对历史航班的实际离港时间与计划离港时间求差,获取历史航班的离港延误时间;
对历史航班的航班起飞离地时间与实际离港时间求差,获取历史航班的航班离港滑行时间;
对历史航班的航班降落接地时间与航班起飞离地时间求差,获取历史航班的航班飞行时间;
对历史航班的实际进港时间与航班降落接地时间求差,获取历史航班的航班进港滑行时间;
对历史航班的实际进港时间与计划进港时间求差,获取历史航班的进港延误时间。
6.根据权利要求2至5中任一项所述的基于可靠性的航班运行时间预测方法,其特征是,基于气象报文和航班运行基础数据库,从一天时间内提取不少于两个时段分别作为延误时间窗,包括:
从气象报文和航班运行基础数据库中提取历史航班的离港延误时间和进港延误时间;
从一天时间内提取不少于两个时间片;
基于所提取的历史航班的离港延误时间和进港延误时间,求取每个时间片内历史航班的平均离港延误时间和平均进港延误时间;
基于每个时间片内历史航班的平均离港延误时间和平均进港延误时间,采用DBSCAN聚类算法获取延误时间窗。
7.根据权利要求4或5所述的基于可靠性的航班运行时间预测方法,其特征是,基于气象报文和航班运行基础数据库,建立每个延误时间窗的分位数回归模型,包括:
从气象报文和航班运行基础数据库中提取航班起降机场气象数据和航班航路气象数据;
基于所提取的航班起降机场气象数据和航班航路气象数据,建立每个延误时间窗的分位数回归模型。
8.根据权利要求7所述的基于可靠性的航班运行时间预测方法,其特征是,基于所提取的航班起降机场气象数据和航班航路气象数据,建立每个延误时间窗的分位数回归模型,包括:
对所提取的航班起降机场气象数据中的机场气象特征与航班离港滑行时间和航班进港滑行时间进行相关性分析,获取机场气象特征的相关系数;
剔除相关系数的绝对值大于预设阈值的机场气象特征;
对未剔除机场气象特征进行归一化处理;
基于所提取的航班起降机场气象数据中的机场特殊天气和归一化处理后的机场气象特征,建立每个延误时间窗的离港机场滑出时间分位数回归模型和进港机场滑入时间分位数回归模型;
基于所提取的航班航路气象数据中的航路重要天气及其影响范围,建立每个延误时间窗的飞行时间分位数回归模型。
9.根据权利要求8所述的基于可靠性的航班运行时间预测方法,其特征是,根据航班计划离港时间和分位数回归模型,预测不同可靠性下的航班运行时间,包括:
提取航班计划离港时间所处的延误时间窗,作为目标延误时间窗;
对目标延误时间窗的离港机场滑出时间分位数回归模型进行运算,求取不同可靠性下的航班离港滑行时间;
对目标延误时间窗的飞行时间分位数回归模型进行运算,求取不同可靠性下的航班飞行时间;
对目标延误时间窗的进港机场滑入时间分位数回归模型进行运算,求取不同可靠性下的航班进港滑行时间。
10.根据权利要求9所述的基于可靠性的航班运行时间预测方法,其特征是,根据航班计划离港时间和分位数回归模型,预测不同可靠性下的航班运行时间,还包括:对所求取的不同可靠性下的航班离港滑行时间、航班飞行时间、航班进港滑行时间进行求和运算,获取不同可靠性下的航班运行时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911014963.6A CN110570693B (zh) | 2019-10-24 | 2019-10-24 | 一种基于可靠性的航班运行时间预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911014963.6A CN110570693B (zh) | 2019-10-24 | 2019-10-24 | 一种基于可靠性的航班运行时间预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110570693A true CN110570693A (zh) | 2019-12-13 |
CN110570693B CN110570693B (zh) | 2020-08-07 |
Family
ID=68785903
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911014963.6A Active CN110570693B (zh) | 2019-10-24 | 2019-10-24 | 一种基于可靠性的航班运行时间预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110570693B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111127285A (zh) * | 2019-12-30 | 2020-05-08 | 南京航空航天大学 | 一种对流天气下两机场间航路通行能力获取的方法 |
CN111695694A (zh) * | 2020-05-25 | 2020-09-22 | 南京航空航天大学 | 一种基于机器学习预测的战略性航班时刻表评估方法 |
CN112509382A (zh) * | 2020-11-13 | 2021-03-16 | 南京航空航天大学 | 一种分析航班延误传播规律的方法 |
CN112686309A (zh) * | 2020-12-29 | 2021-04-20 | 北京维艾思气象信息科技有限公司 | 一种基于实际观测的航空器试飞条件预测方法及装置 |
CN112819260A (zh) * | 2021-04-16 | 2021-05-18 | 中航信移动科技有限公司 | 预测航班延时状态的数据处理*** |
CN116468186A (zh) * | 2023-06-14 | 2023-07-21 | 中国民航大学 | 一种航班链延误时间预测方法、电子设备及存储介质 |
CN117789538A (zh) * | 2024-02-28 | 2024-03-29 | 南京莱斯信息技术股份有限公司 | 一种基于规则引擎的航班动态连班方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102999667A (zh) * | 2012-11-27 | 2013-03-27 | 南京航空航天大学 | 一种基于模糊回归的机场噪声预测方法及其*** |
CN107085760A (zh) * | 2016-02-16 | 2017-08-22 | 特莱丽思环球有限合伙公司 | 飞行器可靠性计划的汇总维护数据的可视化 |
CN107818382A (zh) * | 2017-10-27 | 2018-03-20 | 中航信移动科技有限公司 | 航班到达时间预测方法 |
CN108615411A (zh) * | 2016-12-13 | 2018-10-02 | 北京航管科技有限公司 | 一种实现航班信息处理的方法及装置 |
CN109637196A (zh) * | 2019-01-10 | 2019-04-16 | 南京航空航天大学 | 航路扇区交通概率密度预测方法 |
CN109740818A (zh) * | 2019-01-10 | 2019-05-10 | 南京航空航天大学 | 一种应用于航路扇区交通的概率密度预测*** |
CN109933926A (zh) * | 2019-03-19 | 2019-06-25 | 北京百度网讯科技有限公司 | 用于预测航班可靠性的方法和装置 |
CN110264787A (zh) * | 2019-06-17 | 2019-09-20 | 南京航空航天大学 | 一种航班航路飞行时间可靠性评价方法及*** |
US20190311638A1 (en) * | 2018-04-10 | 2019-10-10 | Honeywell International Inc. | System and method to assist pilots in determining aircraft phase transition time based on monitored clearance information |
CN110363333A (zh) * | 2019-06-21 | 2019-10-22 | 南京航空航天大学 | 一种基于渐进梯度回归树的天气影响下空中通行能力的预测方法 |
-
2019
- 2019-10-24 CN CN201911014963.6A patent/CN110570693B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102999667A (zh) * | 2012-11-27 | 2013-03-27 | 南京航空航天大学 | 一种基于模糊回归的机场噪声预测方法及其*** |
CN107085760A (zh) * | 2016-02-16 | 2017-08-22 | 特莱丽思环球有限合伙公司 | 飞行器可靠性计划的汇总维护数据的可视化 |
CN108615411A (zh) * | 2016-12-13 | 2018-10-02 | 北京航管科技有限公司 | 一种实现航班信息处理的方法及装置 |
CN107818382A (zh) * | 2017-10-27 | 2018-03-20 | 中航信移动科技有限公司 | 航班到达时间预测方法 |
US20190311638A1 (en) * | 2018-04-10 | 2019-10-10 | Honeywell International Inc. | System and method to assist pilots in determining aircraft phase transition time based on monitored clearance information |
CN109637196A (zh) * | 2019-01-10 | 2019-04-16 | 南京航空航天大学 | 航路扇区交通概率密度预测方法 |
CN109740818A (zh) * | 2019-01-10 | 2019-05-10 | 南京航空航天大学 | 一种应用于航路扇区交通的概率密度预测*** |
CN109933926A (zh) * | 2019-03-19 | 2019-06-25 | 北京百度网讯科技有限公司 | 用于预测航班可靠性的方法和装置 |
CN110264787A (zh) * | 2019-06-17 | 2019-09-20 | 南京航空航天大学 | 一种航班航路飞行时间可靠性评价方法及*** |
CN110363333A (zh) * | 2019-06-21 | 2019-10-22 | 南京航空航天大学 | 一种基于渐进梯度回归树的天气影响下空中通行能力的预测方法 |
Non-Patent Citations (1)
Title |
---|
王艳军: "区域空中交通容量动态评估研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111127285A (zh) * | 2019-12-30 | 2020-05-08 | 南京航空航天大学 | 一种对流天气下两机场间航路通行能力获取的方法 |
CN111695694A (zh) * | 2020-05-25 | 2020-09-22 | 南京航空航天大学 | 一种基于机器学习预测的战略性航班时刻表评估方法 |
CN112509382A (zh) * | 2020-11-13 | 2021-03-16 | 南京航空航天大学 | 一种分析航班延误传播规律的方法 |
CN112686309A (zh) * | 2020-12-29 | 2021-04-20 | 北京维艾思气象信息科技有限公司 | 一种基于实际观测的航空器试飞条件预测方法及装置 |
CN112686309B (zh) * | 2020-12-29 | 2024-06-25 | 北京维艾思气象信息科技有限公司 | 一种基于实际观测的航空器试飞条件预测方法及装置 |
CN112819260A (zh) * | 2021-04-16 | 2021-05-18 | 中航信移动科技有限公司 | 预测航班延时状态的数据处理*** |
CN112819260B (zh) * | 2021-04-16 | 2021-09-07 | 中航信移动科技有限公司 | 预测航班延时状态的数据处理*** |
CN116468186A (zh) * | 2023-06-14 | 2023-07-21 | 中国民航大学 | 一种航班链延误时间预测方法、电子设备及存储介质 |
CN116468186B (zh) * | 2023-06-14 | 2023-08-25 | 中国民航大学 | 一种航班链延误时间预测方法、电子设备及存储介质 |
CN117789538A (zh) * | 2024-02-28 | 2024-03-29 | 南京莱斯信息技术股份有限公司 | 一种基于规则引擎的航班动态连班方法 |
CN117789538B (zh) * | 2024-02-28 | 2024-05-24 | 南京莱斯信息技术股份有限公司 | 一种基于规则引擎的航班动态连班方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110570693B (zh) | 2020-08-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110570693B (zh) | 一种基于可靠性的航班运行时间预测方法 | |
CN107818382B (zh) | 航班到达时间预测方法 | |
EP3977435A1 (en) | System and method for flight arrival time prediction | |
CN110503245B (zh) | 一种机场航班大面积延误风险的预测方法 | |
CN109542876B (zh) | 基于Hadoop数据挖掘航空器经验轨迹模型关键因子的提取方法 | |
CN113706931B (zh) | 空域的流控策略推荐方法、装置、电子设备及存储介质 | |
CN111968414B (zh) | 基于大数据和ai的4d轨迹预测方法、装置及电子设备 | |
CN110675007A (zh) | 航班延误预测方法、装置及计算机存储介质 | |
CN110264787B (zh) | 一种航班航路飞行时间可靠性评价方法及*** | |
CN110852497A (zh) | 基于大数据深度学习的场面可变滑出时间预测*** | |
CN112232535A (zh) | 一种基于监督学***均延误预测方法 | |
CN112132366A (zh) | 一种航班放行率的预测*** | |
CN112862171A (zh) | 一种基于时空神经网络的航班到达时间预测方法 | |
CN112215416A (zh) | 智能规划巡检航线***及方法 | |
CN112365095A (zh) | 基于天气和流量管控影响的航班延误分析及预测方法 | |
CN116956757A (zh) | 出港航班滑行时间预测方法、电子设备和存储介质 | |
CN112287561A (zh) | 一种基于蒙特卡洛算法的滑行路径优化指标求解方法 | |
CN115752708A (zh) | 一种基于深度时间卷积网络的机场单点噪声预测方法 | |
Schultz et al. | Classification of weather impacts on airport operations | |
CN114781704A (zh) | 一种基于过站航班保障流程的航班延误预测方法 | |
CN107067095A (zh) | 恶劣天气下航班取消数量的优化方法及装置 | |
CN114037122A (zh) | 基于大数据挖掘处理分析的航班延误预测方法 | |
CN117995027A (zh) | 一种飞行计划备降场推荐方法、***、设备及介质 | |
CN111967661B (zh) | 机场跑道运行方向的决策方法、***、存储介质和设备 | |
CN112182059A (zh) | 一种航班延误特性的高阶分析方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |